Abstract B046: Multimodal biomarkers that predict the presence of Gleason pattern 4: Potential impact for active surveillance
Notice bibliographique
Résumé
Abstract Purpose: Latent Grade Group (GG) ≥2 prostate cancer can impact the performance of active surveillance (AS) protocols. To date, molecular biomarkers for AS have relied solely on RNA or protein. We trained and independently validated multimodal (mRNA abundance, DNA methylation, and DNA copy number) biomarkers that more accurately separate GG1 from GG≥2 cancers. Materials and Methods: Low- and intermediate-risk prostate cancer patients were assigned to training (n=333) and validation (n=202) cohorts. We profiled the abundance of 342 mRNAs, 100 DNA copy number aberration (CNA) loci and 14 hypermethylation sites at two locations per tumor. Using the training cohort with cross- validation, we evaluated methods for training classifiers of pathologic GG≥2 in centrally reviewed radical prostectomies (RPs). We trained two distinct classifiers, PRONTO-e and PRONTO-m, and validated them in an independent RP cohort. Results: PRONTO-e comprises 353 mRNA and CNA features. PRONTO-m includes 94 clinical, mRNAs, CNAs and methylation features at 14 and 12 loci, respectively. In independent validation, PRONTO-e and PRONTO-m predicted GG≥2 with respective true positive rates of 0.81 and 0.76, false positive rates of 0.43 and 0.26. Both classifiers were resistant to sampling error and identified more upgraded men than a well-validated pre-surgical risk calculator, CAPRA (p <0.001). Conclusions: Two GG classifiers with superior accuracy were developed by incorporating RNA and DNA features and validated in an independent cohort. Upon further validation in biopsy samples, classifiers with these performance characteristics could refine selection of men for AS, extending their treatment-free survival and intervals between surveillance. Citation Format: Anna Y. Lee, David M. Berman, Robert Lesurf, Palak G. Patel, Walead Ebrahimizadeh, Jane Bayani, Laura A. Lee, Nadia Boufaied, Shamini Selvarajah, Tamara Jamaspishvili, Karl-Philippe Guérard, Dan Dion, Atsunari Kawashima, Gina M. Clarke, Nathan How, Chelsea L. Jackson, Eleonora Scarlata, Khurram Siddiqui, John B.A. Okello, Armen G. Aprikian, Madeleine Moussa, Antonio Finelli, Joseph Chin, Fadi Brimo, Glenn Bauman, Andrew Loblaw, Vasundara Venkateswaran, Ralph Buttyan, Simone Chevalier, Axel Thomson, Paul C. Park, D. Robert Siemens, Jacques Lapointe, Paul C. Boutros, John M.S. Bartlett. Multimodal biomarkers that predict the presence of Gleason pattern 4: Potential impact for active surveillance [abstract]. In: Proceedings of the AACR Special Conference: Advances in Prostate Cancer Research; 2023 Mar 15-18; Denver, Colorado. Philadelphia (PA): AACR; Cancer Res 2023;83(11 Suppl):Abstract nr B046.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».